常用统计分析 SQL 在 AWK 中的实现

http://my.oschina.net/leejun2005/blog/100710

最近有需求需要本地处理一些临时的数据，用做统计分析。如果单纯的 MYSQL 也能实现，
不过一堆临时数据这样从 mysql 导来导去还是挺麻烦的，比较理想的选择是本机装个 cygwin
环境，然后可以用 awk 等 shell 工具做即时处理。

本文主要讲述如何在 awk 中实现 SQL 的常用操作，当做个简单的 awk 入门分享。
虽然文中部分 awk 会有其它更简洁高效的 shell 命令去完成，亦或是其它语言去完成，
但这都不在本文的讨论范畴。

注：本文所用到的两个测试文件 user、consumer，分别模拟两张 SQL 表：

user 表，字段：
id name  addr

1 zhangsan hubei
3 lisi tianjin
4 wangmazi guangzhou
2 wangwu beijing

consumer 表，字段：
id cost date

1 15 20121213
2 20 20121213
3 100 20121213
4 99 20121213
1 25 20121114
2 108 20121114
3 100 20121114
4 66 20121114
1 15 20121213
1 115 20121114

测试环境：
OS 版本：
uname -a
CYGWIN_NT-6.1 june-PC 1.7.9(0.237/5/3) 2011-03-29 10:10 i686 Cygwin
awk 版本：
awk --version
GNU Awk 3.1.8

1、查询整张表记录，where 条件过滤，关键词：where
select * from user; awk 1 user;
select * from consumer where cost > 100;
awk '$2>100' consumer


2、对某个字段去重，或者按记录去重，关键词：distinct
select distinct(date) from consumer;
awk '!a[$3]++{print $3}' consumer
select distinct(*) from consumer;
awk '!a[$0]++' consumer


3、记录按序输出，关键词：order by
select id from user order by id;
awk '{a[$1]}END{asorti(a);for(i=1;i<=length(a);i++){print a[i]}}' user


4、取前多少条记录，关键词：limit
select * from consumer limit 2;
awk 'NR<=2' consumer
awk 'NR>2{exit}1' consumer # performance is better


5、分组求和统计，关键词：group by、having、sum、count
select id, count(1), sum(cost) from consumer group by id having count(1) > 2;
awk '{a[$1]=a[$1]==""?$2:a[$1]","$2}END{for(i in a){c=split(a[i],b,",");if(c>2){sum=0;for(j in b){sum+=b[j]};print i"\t"c"\t"sum}}}' consumer


6、模糊查询，关键词：like（like属于通配，也可正则 REGEXP）
select name from user where name like 'wang%';
awk '$2 ~/^wang/{print $2}' user
select addr from user where addr like '%bei';
awk '/.*bei$/{print $3}' user
select addr from user where addr like '%bei%';
awk '$3 ~/bei/{print $3}' user


7、多表 join 关联查询，关键词：join
select a.* , b.* from user a inner join consumer b  on a.id = b.id and b.id = 2;
awk 'ARGIND==1{a[$1]=$0;next}{if(($1 in a)&&$1==2){print a[$1]"\t"$2"\t"$3}}' user consumer


8、多表水平联接，关键词：union all
select a.* from user a union all select b.* from user b;
awk 1 user user
select a.* from user a union select b.* from user b;
awk '!a[$0]++' user user


9、随机抽样统计，关键词：order by rand()
SELECT * FROM consumer ORDER BY RAND() LIMIT 2;
awk 'BEGIN{srand();while(i<2){k=int(rand()*10)+1;if(!(k in a)){a[k];i++}}}(NR in a)' consumer


10、行列转换，关键词：SUM(IF())、WITH ROLLUP
mysql 写法：http://my.oschina.net/leejun2005/blog/77796
  awk 写法：http://hi.baidu.com/leejun_2005/item/2bac30c2b97e5e56ad00ef86

11、awk 小应用之 RTX 订餐统计：

1、功能：
统计 rtx 聊天记录中的订餐信息，包括且限于：菜名、人员姓名、人数
2、支持的功能：
订餐、取消、修改
3、格式：
订餐：“+1 空格 菜名”，如： “+1 鸡腿” // 不含双引号
取消：“-1” 即可，     如： “-1” // 不含双引号
修改：格式同订餐一样，会自动根据姓名覆盖
4、使用限制与注意事项：
（1）必须严格遵守格式，否则会统计错误，例如：菜名和+1-1之间要空格分隔，且必须 -1+1 开头
（2）如果一人代订多人，需要复制格式，修改姓名，然后发布多条信息，
格式：
//代订 // 这一行一定要带上，不能以 +-( 字符开头
(userName) //要以 ( 打头，如果你自己点多份，请在名字后面带上数字序号，如 userName1
+1 菜名
     暂不支持直接 “+2 菜名” 这种形式，因为最后需要按姓名汇总
（3）此 awk 脚本需要在 4.0 版本以上运行，因为 4.0 以下的 HashMap 不支持中文 key。 
测试用例：
echo "
user(统计测试) 18:30:52
对吧
user(统计测试) 18:30:55
下单了，嗯
user(张三) 18:31:11
+1 西瓜泡方便面
user(统计测试) 18:30:52
对吧 -1 测试
user(统计测试) 18:30:52
// 这是帮人代订的测试，这行一定要，随便写点啥都行 -------------------- 测试代订功能
(代订测试人)
+1 豆腐脑-甜的
。。。。。。。。。
(代订测试人2)
+1 豆腐脑-酸的
user(统计测试) 18:30:55
下单了，嗯
user(李四) 18:31:11
+1 大排
user(李四) 18:31:11
-1
user(统计测试) 18:30:52
对吧
user(统计测试) 18:30:55
下单了，嗯
user(张三) 18:31:11
+1 带鱼
user(王麻子) 18:31:11
+1 大蒜
user(统计测试) 18:30:55
下单了，嗯
user(测试程序) 18:31:11
+1 唐僧肉
user(测试程序1) 18:31:11
+1 带鱼
user(赵六) 18:31:11
+1 大蒜
"|\
awk '/\(/{gsub(/.*\(|\).*/,"");name=$0;getline;if(!($0~/^(\+|-)/))next;a[name]=$0}END{for(i in a){split(a[i],b," ");if(b[2]=="")continue;c[b[2]]=c[b[2]]==""?i:c[b[2]]","i};for(i in c){split(c[i],d,",");print i":\t"c[i]"\t"length(d)}}'|column -t

结果：
带鱼:            测试程序1,张三  2
唐僧肉:         测试程序          1
大蒜:            赵六,王麻子      2
豆腐脑-酸的:  代订测试人2      1
豆腐脑-甜的:  代订测试人        1

12、查找父ID

?

1 2 3 4

echo "1 0 11 1 111 11 1111 111 "|awk '{a[$1]=$2;if($2==0){b[$1]=$12}}END{for(i in a){j=i;c=0;while(a[j]!=0){j=a[j];c++};print i" \t "j" \t"c}}'

结果：

?

1 2 3 4 5

id      rootId  level 1111    1       3 111     1       2 11      1       1 1       1       0

关于 id 间父子关系的建立与查找，还可以参考这个例子中的 python 写法：

python 数据结构转换,将线性元祖转换成字典树：

http://segmentfault.com/q/1010000000415526

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

t = (      ( 1 , - 1 , 'python' ),      ( 2 , - 1 , 'ruby' ),      ( 3 , - 1 , 'php' ),      ( 4 , - 1 , 'lisp' ),      ( 5 , 1 , 'flask' ),      ( 6 , 1 , 'django' ),      ( 7 , 1 , 'webpy' ),      ( 8 , 2 , 'rails' ),      ( 9 , 3 , 'zend' ),      ( 10 , 6 , 'dblog' ) ) # fid 无序版 from itertools import groupby from operator import itemgetter as get from pprint import pprint   # group by fid tmp = dict ([(k, list (rows)) for k, rows in groupby( sorted (t, key = get( 1 )), get( 1 ))])   def map_fun(row):    item = dict ( zip (( 'id' , 'fid' , 'title' ), row))    if row[ 0 ] in tmp:      item[ 'son' ] = find_children(row[ 0 ])    return item;   def find_children(parent):      return map (map_fun, tmp[parent])   pprint(find_children( - 1 ))

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27

t = (      ( 1 , - 1 , 'python' ),      ( 2 , - 1 , 'ruby' ),      ( 3 , - 1 , 'php' ),      ( 4 , - 1 , 'lisp' ),      ( 5 , 1 , 'flask' ),      ( 6 , 1 , 'django' ),      ( 7 , 1 , 'webpy' ),      ( 8 , 2 , 'rails' ),      ( 9 , 3 , 'zend' ),      ( 10 , 6 , 'dblog' ) ) # fid 有序版 from pprint import pprint   l = [] entries = {}   for id , fid, title in t:      entries[ id ] = entry = { 'id' : id , 'fid' : fid, 'title' : title}      if fid = = - 1 :          l.append(entry)      else :          parent = entries[fid]          parent.setdefault( 'son' , []).append(entry)   pprint(l)